CN110216664A - 基于点云数据的障碍物识别方法及装置 - Google Patents
基于点云数据的障碍物识别方法及装置 Download PDFInfo
- Publication number
- CN110216664A CN110216664A CN201910363859.1A CN201910363859A CN110216664A CN 110216664 A CN110216664 A CN 110216664A CN 201910363859 A CN201910363859 A CN 201910363859A CN 110216664 A CN110216664 A CN 110216664A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- coordinate
- data
- mutation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/02—Sensing devices
- B25J19/021—Optical sensing devices
- B25J19/023—Optical sensing devices including video camera means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/08—Programme-controlled manipulators characterised by modular constructions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1658—Programme controls characterised by programming, planning systems for manipulators characterised by programming language
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明实施例公开一种基于点云数据的障碍物识别方法及装置,其中方法包括如下步骤:将所获取的点云数据转到世界坐标系中,在世界坐标系中定义局部参照高度,采用预设划分精度的横纵网格将点云数据划分成横条点云数据和纵条点云数据,计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值,当第一点云间隔值大于对应的局部参考高度时,将第二点云数据指示的点云坐标确定为突变坐标,并记该录突变坐标。采用本发明,可以标记点云中的微小障碍物,降低机器人行驶中的危险性。
Description
技术领域
本发明涉及机器人自主导航避障技术领域,尤其涉及一种基于点云数据的障碍物识别方法及装置。
背景技术
在机器人的自主避障技术领域,机器人通过获取相应的点云数据,来识别障碍物,现有技术中,能够获取点云的传感器在不同程度上存在三大问题:一是传感器近距离盲区;二是传感器视野视角的限制;三是安装传感器带来的安装位置偏差。因此,在只借助此类传感器去识别和尝试避让障碍物的过程中,需要充分考虑以上三点问题带来的识别和避让误差,但往往上述误差转到“障碍物高度的维度”的数量级在厘米级,厘米级的误差带来的微小障碍物在机器人运行中的危险性不言而喻,故在此噪声系统中,去识别和标记“厘米级高度”的障碍物,是个值得讨论和优化的问题。
发明内容
本发明实施例提供一种基于点云数据的障碍物识别方法及装置,通过纵横网格对点云数据进行划分,再由远及近的遍历计算横轴上的点云数据之间的点云间隔,据此确定突变坐标,可以标记点云中的微小障碍物,降低机器人行驶中的危险性。
本发明实施例第一方面提供了一种基于点云数据的障碍物识别方法,可包括:
将所获取的点云数据转到世界坐标系中,在世界坐标系中定义局部参照高度;
采用预设划分精度的横纵网格将点云数据划分成横条点云数据和纵条点云数据;
计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值;
当第一点云间隔值大于对应的局部参考高度时,将第二点云数据指示的点云坐标确定为突变坐标,并记录突变坐标;
其中,在横条点云数据中第一点云数据与机器人的距离小于第二点云数据与机器人的距离;突变坐标为点云数据中指示低矮障碍物坐标方位的坐标。
进一步的,上述方法还包括:
计算第一点云数据与第二点云数据之间存在的纵轴的轴线条数,纵轴为纵条点云数据组成的轴线;
将轴线条数与局部参照数据的乘积作为第一点云间隔值对应的局部参考高度。
进一步的,上述方法还包括:
在确定突变坐标后,若轴线条数大于预设条数阈值,则将第一点云数据与第二点云数据之间的纵轴间隔减半;
迭代遍历纵轴间隔减半后第一点云数据与第二点云数据之间第三点云数据,根据第一点云数据与第三点云数据之间的第二点云间隔值确定第三点云数据对应的点云坐标是否为突变坐标;
其中,第三点云数据为纵轴间隔减半后的第一点云数据与第二点云数据之间的所有纵轴对应的点云数据。
进一步的,上述方法还包括:
当第三点云数据对应的点云坐标为突变坐标,且第三点云数据与机器人的距离小于第二点云数据与机器人的距离时,记录第三点云数据对应的点云坐标,并删除之前记录的第二点云数据对应的点云坐标。
进一步的,上述方法还包括:
剔除横条点云数据中突变坐标对应的点云数据。
进一步的,上述方法还包括:
根据不同等级的障碍物划分范围确定突变坐标对应的障碍物类型。
本发明实施例第二方面提供了一种基于点云数据的障碍物识别装置,可包括:
参照高度设置模块,用于将所获取的点云数据转到世界坐标系中,在世界坐标系中定义局部参照高度;
网格划分模块,用于采用预设划分精度的横纵网格将点云数据划分成横条点云数据和纵条点云数据;
点云间隔计算模块,用于计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值;
突变坐标确定模块,用于当第一点云间隔值大于对应的局部参考高度时,将第二点云数据指示的点云坐标确定为突变坐标,并记录突变坐标;
其中,在横条点云数据中第一点云数据与机器人的距离小于第二点云数据与机器人的距离;突变坐标为点云数据中指示低矮障碍物坐标方位的坐标。
进一步的,上述装置还包括:
轴线计算模块,用于计算第一点云数据与第二点云数据之间存在的纵轴的轴线条数,纵轴为纵条点云数据组成的轴线;
对应数据计算模块,用于将轴线条数与局部参照数据的乘积作为第一点云间隔值对应的局部参考高度。
进一步的,上述装置还包括:
间隔设置模块,用于在确定突变坐标后,若轴线条数大于预设条数阈值,则将第一点云数据与第二点云数据之间的纵轴间隔减半;
坐标迭代模块,用于迭代遍历纵轴间隔减半后第一点云数据与第二点云数据之间第三点云数据,根据第一点云数据与第三点云数据之间的第二点云间隔值确定第三点云数据对应的点云坐标是否为突变坐标;
其中,第三点云数据为纵轴间隔减半后的第一点云数据与第二点云数据之间的所有纵轴对应的点云数据。
进一步的,上述装置还包括:
坐标替换模块,用于当第三点云数据对应的点云坐标为突变坐标,且第三点云数据与机器人的距离小于第二点云数据与机器人的距离时,记录第三点云数据对应的点云坐标,并删除之前记录的第二点云数据对应的点云坐标。
进一步的,上述装置还包括:
数据剔除模块,用于剔除横条点云数据中突变坐标对应的点云数据。
进一步的,上述装置还包括:
类型确定模块,用于根据不同等级的障碍物划分范围确定突变坐标对应的障碍物类型。
在本发明实施例中,通过纵横网格对点云数据进行划分,再由远及近的遍历计算横轴上的点云数据之间的点云间隔,通过对比点云间隔与预设参照高度之间的大小确定突变坐标,实现了标记点云中的微小障碍物,降低了机器人行驶中的危险性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种基于点云数据的障碍物识别方法的流程示意图;
图2是本发明实施例提供的一种点云数据显示示意图;
图3是本发明实施例提供的另一种点云数据显示示意图;
图4是本发明实施例提供的一种基于点云数据的障碍物识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明实施例提供的基于点云数据的障碍物识别方法可以应用于在机器人自主避障中识别微小障碍物的应用场景中。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面将结合附图1-附图3,对本发明实施例提供的基于点云数据的障碍物识别方法进行详细介绍。
请参见图1,为本发明实施例提供了一种基于点云数据的障碍物识别方法的流程示意图。如图1所示,本发明实施例的所述方法可以包括以下步骤S101-步骤S104。
S101,将所获取的点云数据转到世界坐标系中,在世界坐标系中定义局部参照高度。
可以理解的是,上述装置可以将所获取的点云数据转到世界坐标系(x,y,z),进一步的,可以在该坐标系中定义局部参照高度即非障碍物的相邻点云的最大高度跨度,例如,可以是local_threshold。
S102,采用预设划分精度的横纵网格将点云数据划分成横条点云数据和纵条点云数据。
需要说明的是,本发明实施例中的点云数据可以如图2所示,是通过多线激光、深度摄像机等多种可提供点云的传感器获取的。图2中,图圆圈A所标注的位置是明显的障碍物,B所标注的是微小型障碍物,C标注的地方无障碍物。假设机器人关注的障碍物的目标高度为Hmin~Hmax(Hmin支持负数,即可以支持跌落区域的识别)。假设非微小障碍物高度(可以轻易区分的障碍物高度)为Ha,则可以将图2所示的环境中的障碍物按高度分为A区Ha~Hmax;B区Hmin~Ha以及C区-∞~Hmin。A区障碍物直接把点云Z轴(垂直于地面方向)坐标大于Ha,标记为障碍物区域,C区障碍物把点云Z轴坐标小于Hmin,标记为负高度障碍物区域,而B区域的Z轴坐标位于Hmin~Ha之间,不易区分,本发明实施例可以针对在x,y轴两个方向上进行区域划分,具体的实现过程如下:
具体的,上述装置可以在点云数据中按照预先设置的每间隔N(N为大于2的整数)个像素点对点云进行基于纵横网格的划分,为了节约精度,初始的划分精度可以间隔较大即N较大,划分较粗(如图3中白线所示)。划分所得的横条点云数据可以位于图3中的白色横线(即横轴)上,纵条点云数据可以位于图3中的白色纵线(即纵轴)上。
S103,计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值。
具体的,上述装置可以计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值,可以理解的是,在上述横条点云数据中第一点云数据与机器人的距离小于第二点云数据与机器人的距离,即第一点云数据在实际坐标中靠近机器人所在的位置。第一点云数据与第二点云数据在当前坐标系下在Z轴上的坐标差值即为上述第一点云间隔值,例如,可以是delta_z。需要说明的是,上述两个点云数据之间的纵轴可以是一条或者多条。例如,第一点云数据为当前横条点云数据与第1条纵轴的交点处的点云,第二点云数据为当前横条点云数据与第2或第3或第4或第5条……纵轴的交点处的点云。
S104,当第一点云间隔值大于对应的局部参考高度时,将第二点云数据指示的点云坐标确定为突变坐标,并记录该突变坐标。
可以理解的是,上述装置可以计算第一点云数据与第二点云数据之间存在的纵轴的轴线条数,再将上述轴线条数与上述局部参照数据的乘积作为第一点云间隔值对应的局部参考高度,例如,第一点云数据为当前横条点云数据与第1条纵轴的交点处的点云,第二点云数据为当前横条点云数据与第5条纵轴的交点处的点云,则二者之间的纵轴的轴线条数为4,第一点云间隔值为local_threshold*4。
具体实现中,当delta_z大于local_threshold*4时,上述装置可以将第二点云数据指示的点云坐标(x,y)确定为突变坐标,并记录该突变坐标。上述突变坐标为点云数据中障碍物的坐标。可以理解的是,在遍历上述横条点云数据中的其他点时,可以将已确定为突变坐标的点云剔除,避免对后续的遍历过程中出现与上述突变坐标的Z轴大小一致的点云,而识别不出来的情况发生。
在可选实施例中,确定上述突变坐标轴后,若上述第一点云数据与第二点云数据之间的纵轴轴线条数较多,即划分精度过粗糙,可能会错过二者之间存在其他的突变坐标,此时,上述装置可以将二者之间的纵轴间隔减半即通过设置多一倍的纵轴减半纵轴间隔,进一步的,可以迭代遍历纵轴间隔减半后第一点云数据与第二点云数据之间的第三点云数据,计算第一点云数据与第三点云数据之间的第二点云间隔值,再根据该间隔值确定第三点云数据对应的点云坐标是否为突变坐标(与确定第二点云数据的过程一致)。可以理解的是,上述第三点云数据可以为纵轴间隔减半后的第一点云数据与第二点云数据之间的所有纵轴对应的点云数据。可以理解的是,上述纵轴间隔减半的过程中,像素点间隔为2后不可再进行减半操作。
可以理解的是,在确定第三点云数据对应的点云坐标为突变坐标,且第三点云数据与机器人的距离小于第二点云数据与机器人的距离时,可以用新确定的较近的障碍物替换之前确定的较远的障碍物,即可以记录上述第三点云数据对应的点云坐标,并删除之前所记录的第二点云数据对应的点云坐标。
在可选实施例中,上述装置可以根据不同等级的障碍物划分范围确定突变坐标对应的障碍物类型,可以是常规类型或者显著类型。例如,将A区识别到的障碍物和B区比较,遍历得到B区障碍物中,周围R范围内,不存在A区障碍物的点云数据,将此部分点云数据做显著“低矮障碍物”发布处理;而近距离R范围内,存在A区域障碍物的点云数据,做常规“低矮障碍物”发布处理。通过区分“显著”和“常规”低矮障碍物,可以为后续的避障提供更加充足的避让数据和依据,通过充分利用区域划分后得到的障碍物等级数据,提供有效的障碍物数据输入。使得机器人在避让地面“手机”或“人脚尖”等显著或常规的低矮障碍物时可以采用不同的策略和方案。
在本发明实施例中,通过纵横网格对点云数据进行划分,再由远及近的遍历计算横轴上的点云数据之间的点云间隔,通过对比点云间隔与预设参照高度之间的大小确定突变坐标,实现了标记点云中的微小障碍物,降低了机器人行驶中的危险性。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
下面将结合附图4,对本发明实施例提供的基于点云数据的障碍物识别装置进行详细介绍。需要说明的是,附图2所示的基于点云数据的障碍物识别装置,用于执行本发明图1-图3所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图1-图3所示的实施例。
请参见图4,为本发明实施例提供了一种基于点云数据的障碍物识别装置的结构示意图。如图4所示,本发明实施例的所述识别装置10可以包括:参照高度设置模块101、网格划分模块102、点云间隔计算模块103、突变坐标确定模块104、轴线计算模块105、对应数据计算模块106、间隔设置模块107、坐标迭代模块108、坐标替换模块109、数据剔除模块120和类型确定模块121。
参照高度设置模块101,用于将所获取的点云数据转到世界坐标系中,在世界坐标系中定义局部参照高度。
可以理解的是,上述装置10可以将所获取的点云数据转到世界坐标系(x,y,z),进一步的,参照高度设置模块101可以在该坐标系中定义局部参照高度即非障碍物的相邻点云的最大高度跨度,例如,可以是local_threshold。
网格划分模块102,用于采用预设划分精度的横纵网格将点云数据划分成横条点云数据和纵条点云数据。
需要说明的是,本发明实施例中的点云数据可以如图2所示,是通过多线激光、深度摄像机等多种可提供点云的传感器获取的。图2中,图圆圈A所标注的位置是明显的障碍物,B所标注的是微小型障碍物,C标注的地方无障碍物。假设机器人关注的障碍物的目标高度为Hmin~Hmax(Hmin支持负数,即可以支持跌落区域的识别)。假设非微小障碍物高度(可以轻易区分的障碍物高度)为Ha,则可以将图2所示的环境中的障碍物按高度分为A区Ha~Hmax;B区Hmin~Ha以及C区-∞~Hmin。A区障碍物直接把点云Z轴(垂直于地面方向)坐标大于Ha,标记为障碍物区域,C区障碍物把点云Z轴坐标小于Hmin,标记为负高度障碍物区域,而B区域的Z轴坐标位于Hmin~Ha之间,不易区分,本发明实施例可以针对在x,y轴两个方向上进行区域划分,具体的实现过程如下:
具体实现中,网格划分模块102可以在点云数据中按照预先设置的每间隔N(N为大于2的整数)个像素点对点云进行基于纵横网格的划分,为了节约精度,初始的划分精度可以间隔较大即N较大,划分较粗(如图3中白线所示)。划分所得的横条点云数据可以位于图3中的白色横线(即横轴)上,纵条点云数据可以位于图3中的白色纵线(即纵轴)上。
点云间隔计算模块103,用于计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值。
具体实现中,点云间隔计算模块103可以计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值,可以理解的是,在上述横条点云数据中第一点云数据与机器人的距离小于第二点云数据与机器人的距离,即第一点云数据在实际坐标中靠近机器人所在的位置。第一点云数据与第二点云数据在当前坐标系下在Z轴上的坐标差值即为上述第一点云间隔值,例如,可以是delta_z。需要说明的是,上述两个点云数据之间的纵轴可以是一条或者多条。例如,第一点云数据为当前横条点云数据与第1条纵轴的交点处的点云,第二点云数据为当前横条点云数据与第2或第3或第4或第5条……纵轴的交点处的点云。
突变坐标确定模块104,用于当第一点云间隔值大于对应的局部参考高度时,将第二点云数据指示的点云坐标确定为突变坐标,并记录该突变坐标。
可以理解的是,轴线计算模块105可以计算第一点云数据与第二点云数据之间存在的纵轴的轴线条数,对应数据计算模块106将上述轴线条数与上述局部参照数据的乘积作为第一点云间隔值对应的局部参考高度,例如,第一点云数据为当前横条点云数据与第1条纵轴的交点处的点云,第二点云数据为当前横条点云数据与第5条纵轴的交点处的点云,则二者之间的纵轴的轴线条数为4,第一点云间隔值为local_threshold*4。
具体实现中,当delta_z大于local_threshold*4时,突变坐标确定模块104可以将第二点云数据指示的点云坐标(x,y)确定为突变坐标,并记录该突变坐标。上述突变坐标为点云数据中障碍物的坐标。可以理解的是,在遍历上述横条点云数据中的其他点时,数据剔除模块120可以将已确定为突变坐标的点云剔除,避免对后续的遍历过程中出现与上述突变坐标的Z轴大小一致的点云,而识别不出来的情况发生。
在可选实施例中,确定上述突变坐标轴后,若上述第一点云数据与第二点云数据之间的纵轴轴线条数较多,即划分精度过粗糙,可能会错过二者之间存在其他的突变坐标,此时,间隔设置模块107可以将二者之间的纵轴间隔减半即通过设置多一倍的纵轴减半纵轴间隔,进一步的,坐标迭代模块108可以迭代遍历纵轴间隔减半后第一点云数据与第二点云数据之间的第三点云数据,计算第一点云数据与第三点云数据之间的第二点云间隔值,再根据该间隔值确定第三点云数据对应的点云坐标是否为突变坐标(与确定第二点云数据的过程一致)。可以理解的是,上述第三点云数据可以为纵轴间隔减半后的第一点云数据与第二点云数据之间的所有纵轴对应的点云数据。可以理解的是,上述纵轴间隔减半的过程中,像素点间隔为2后不可再进行减半操作。
可以理解的是,在确定第三点云数据对应的点云坐标为突变坐标,且第三点云数据与机器人的距离小于第二点云数据与机器人的距离时,坐标替换模块109可以用新确定的较近的障碍物替换之前确定的较远的障碍物,即可以记录上述第三点云数据对应的点云坐标,并删除之前所记录的第二点云数据对应的点云坐标。
在可选实施例中,类型确定模块121可以根据不同等级的障碍物划分范围确定突变坐标对应的障碍物类型,可以是常规类型或者显著类型。例如,将A区识别到的障碍物和B区比较,遍历得到B区障碍物中,周围R范围内,不存在A区障碍物的点云数据,将此部分点云数据做显著“低矮障碍物”发布处理;而近距离R范围内,存在A区域障碍物的点云数据,做常规“低矮障碍物”发布处理。通过区分“显著”和“常规”低矮障碍物,可以为后续的避障提供更加充足的避让数据和依据,通过充分利用区域划分后得到的障碍物等级数据,提供有效的障碍物数据输入。使得机器人在避让地面“手机”或“人脚尖”等显著或常规的低矮障碍物时可以采用不同的策略和方案。
在本发明实施例中,通过纵横网格对点云数据进行划分,再由远及近的遍历计算横轴上的点云数据之间的点云间隔,通过对比点云间隔与预设参照高度之间的大小确定突变坐标,实现了标记点云中的微小障碍物,降低了机器人行驶中的危险性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于点云数据的障碍物识别方法,其特征在于,包括:
将所获取的点云数据转到世界坐标系中,在所述世界坐标系中定义局部参照高度;
采用预设划分精度的横纵网格将所述点云数据划分成横条点云数据和纵条点云数据;
计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值;
当所述第一点云间隔值大于对应的局部参考高度时,将所述第二点云数据指示的点云坐标确定为突变坐标,并记录所述突变坐标;
其中,在所述横条点云数据中所述第一点云数据与机器人的距离小于所述第二点云数据与所述机器人的距离;所述突变坐标为所述点云数据中指示低矮障碍物坐标方位的坐标。
2.根据如权利要求1所述的方法,其特征在于,所述方法还包括:
计算所述第一点云数据与所述第二点云数据之间存在的纵轴的轴线条数,所述纵轴为纵条点云数据组成的轴线;
将所述轴线条数与所述局部参照数据的乘积作为所述第一点云间隔值对应的局部参考高度。
3.根据如权利要求2所述的方法,其特征在于,所述方法还包括:
在确定所述突变坐标后,若所述轴线条数大于预设条数阈值,则将所述第一点云数据与所述第二点云数据之间的纵轴间隔减半;
迭代遍历纵轴间隔减半后所述第一点云数据与所述第二点云数据之间第三点云数据,根据所述第一点云数据与第三点云数据之间的第二点云间隔值确定所述第三点云数据对应的点云坐标是否为突变坐标;
其中,所述第三点云数据为纵轴间隔减半后的所述第一点云数据与所述第二点云数据之间的所有纵轴对应的点云数据。
4.根据如权利要求3所述的方法,其特征在于,所述方法还包括:
当所述第三点云数据对应的点云坐标为突变坐标,且所述第三点云数据与所述机器人的距离小于所述第二点云数据与所述机器人的距离时,记录所述第三点云数据对应的点云坐标,并删除之前记录的所述第二点云数据对应的点云坐标。
5.根据如权利要求1所述的方法,其特征在于,所述方法还包括:
剔除所述横条点云数据中所述突变坐标对应的点云数据。
6.根据如权利要求1所述的方法,其特征在于,所述方法还包括:
根据不同等级的障碍物划分范围确定所述突变坐标对应的障碍物类型。
7.一种基于点云数据的障碍物识别装置,其特征在于,包括:
参照高度设置模块,用于将所获取的点云数据转到世界坐标系中,在所述世界坐标系中定义局部参照高度;
网格划分模块,用于采用预设划分精度的横纵网格将所述点云数据划分成横条点云数据和纵条点云数据;
点云间隔计算模块,用于计算横条点云数据中的第一点云数据与第二点云数据之间的第一点云间隔值;
突变坐标确定模块,用于当所述第一点云间隔值大于对应的局部参考高度时,将所述第二点云数据指示的点云坐标确定为突变坐标,并记录所述突变坐标;
其中,在所述横条点云数据中所述第一点云数据与机器人的距离小于所述第二点云数据与所述机器人的距离;所述突变坐标为所述点云数据中指示低矮障碍物坐标方位的坐标。
8.根据如权利要求7所述的装置,其特征在于,所述装置还包括:
轴线计算模块,用于计算所述第一点云数据与所述第二点云数据之间存在的纵轴的轴线条数,所述纵轴为纵条点云数据组成的轴线;
对应数据计算模块,用于将所述轴线条数与所述局部参照数据的乘积作为所述第一点云间隔值对应的局部参考高度。
9.根据如权利要求8所述的装置,其特征在于,所述装置还包括:
间隔设置模块,用于在确定所述突变坐标后,若所述轴线条数大于预设条数阈值,则将所述第一点云数据与所述第二点云数据之间的纵轴间隔减半;
坐标迭代模块,用于迭代遍历纵轴间隔减半后所述第一点云数据与所述第二点云数据之间第三点云数据,根据所述第一点云数据与第三点云数据之间的第二点云间隔值确定所述第三点云数据对应的点云坐标是否为突变坐标;
其中,所述第三点云数据为纵轴间隔减半后的所述第一点云数据与所述第二点云数据之间的所有纵轴对应的点云数据。
10.根据如权利要求9所述的装置,其特征在于,所述装置还包括:
坐标替换模块,用于当所述第三点云数据对应的点云坐标为突变坐标,且所述第三点云数据与所述机器人的距离小于所述第二点云数据与所述机器人的距离时,记录所述第三点云数据对应的点云坐标,并删除之前记录的所述第二点云数据对应的点云坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363859.1A CN110216664B (zh) | 2019-04-30 | 2019-04-30 | 基于点云数据的障碍物识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363859.1A CN110216664B (zh) | 2019-04-30 | 2019-04-30 | 基于点云数据的障碍物识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110216664A true CN110216664A (zh) | 2019-09-10 |
CN110216664B CN110216664B (zh) | 2020-12-22 |
Family
ID=67820452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363859.1A Active CN110216664B (zh) | 2019-04-30 | 2019-04-30 | 基于点云数据的障碍物识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110216664B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719442A (zh) * | 2019-10-12 | 2020-01-21 | 深圳市镭神智能系统有限公司 | 一种安防监控系统 |
CN114372981A (zh) * | 2022-03-21 | 2022-04-19 | 季华实验室 | T型工件焊缝识别方法、装置、电子设备及存储介质 |
US11810376B2 (en) | 2019-11-19 | 2023-11-07 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Method, apparatus and storage medium for detecting small obstacles |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281907A1 (en) * | 2011-05-06 | 2012-11-08 | Toyota Motor Engin. & Manufact. N.A.(TEMA) | Real-time 3d point cloud obstacle discriminator apparatus and associated methodology for training a classifier via bootstrapping |
CN106845416A (zh) * | 2017-01-20 | 2017-06-13 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
CN107169986A (zh) * | 2017-05-23 | 2017-09-15 | 北京理工大学 | 一种障碍物检测方法及系统 |
CN108470174A (zh) * | 2017-02-23 | 2018-08-31 | 百度在线网络技术(北京)有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
CN108509820A (zh) * | 2017-02-23 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
-
2019
- 2019-04-30 CN CN201910363859.1A patent/CN110216664B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281907A1 (en) * | 2011-05-06 | 2012-11-08 | Toyota Motor Engin. & Manufact. N.A.(TEMA) | Real-time 3d point cloud obstacle discriminator apparatus and associated methodology for training a classifier via bootstrapping |
CN106845416A (zh) * | 2017-01-20 | 2017-06-13 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
CN108470174A (zh) * | 2017-02-23 | 2018-08-31 | 百度在线网络技术(北京)有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
CN108509820A (zh) * | 2017-02-23 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
CN107169986A (zh) * | 2017-05-23 | 2017-09-15 | 北京理工大学 | 一种障碍物检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719442A (zh) * | 2019-10-12 | 2020-01-21 | 深圳市镭神智能系统有限公司 | 一种安防监控系统 |
US11810376B2 (en) | 2019-11-19 | 2023-11-07 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Method, apparatus and storage medium for detecting small obstacles |
CN114372981A (zh) * | 2022-03-21 | 2022-04-19 | 季华实验室 | T型工件焊缝识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110216664B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798330B (zh) | 一种焊缝图像特征信息提取方法 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
CN110216664A (zh) | 基于点云数据的障碍物识别方法及装置 | |
CN108335302B (zh) | 一种区域分割方法及装置 | |
CN108958282B (zh) | 基于动态球形窗口的三维空间路径规划方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN110208819A (zh) | 一种多个障碍物三维激光雷达数据的处理方法 | |
CN106204446B (zh) | 一种地形图的建筑物合并方法 | |
CN102930509A (zh) | 一种机载激光点云数据的智能化滤波方法 | |
CN109001757A (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
CN108257173A (zh) | 一种图像信息中的物体分离方法及装置及系统 | |
CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN114972377A (zh) | 基于移动最小二乘法与超体素的3d点云分割方法和装置 | |
CN111598780A (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN112561985A (zh) | 一种基于双目视觉的绿篱苗木修剪对中方法 | |
US20230334778A1 (en) | Generating mappings of physical spaces from point cloud data | |
CN111340834A (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
CN111582156A (zh) | 一种基于倾斜摄影城市三维模型的高大植被提取方法 | |
JPH11144028A (ja) | 月、惑星軟着陸のための画像処理装置及び画像処理方法 | |
WO2020248118A1 (zh) | 点云处理方法、系统、设备及存储介质 | |
JP4226360B2 (ja) | レーザデータのフィルタリング方法及びプログラム | |
CN115202361A (zh) | 移动机器人的路径规划方法及移动机器人 | |
CN115393372A (zh) | 地图分区方法、装置、自主移动设备和存储介质 | |
CN111553986B (zh) | 三角网的构建方法、构建装置和数字表面模型的生成方法 | |
CN113963114A (zh) | 一种基于多边形生长的离散边界点追踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 702, 7th floor, NO.67, Beisihuan West Road, Haidian District, Beijing 100089 Patentee after: Beijing Yunji Technology Co.,Ltd. Address before: Room 702, 7th floor, NO.67, Beisihuan West Road, Haidian District, Beijing 100089 Patentee before: BEIJING YUNJI TECHNOLOGY Co.,Ltd. |